热点事件持续更新
研究团队提出智能体强化学习方法T2SPO
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月，研究人员提出面向智能体强化学习的轨迹到步骤策略优化方法T2SPO。该方法利用历史成功轨迹，为大语言模型的策略学习提供步级反馈。具体实现上，T2SPO通过预训练TabPFN回归器估计各状态距成功的剩余距离，以此提供辅助信用分配，并支持在训练中动态刷新上下文而无需更新参数。在ALFWorld和WebShop基准测试中，针对1.5B与7B模型的实验表明，T2SPO的任务成功率持续优于GRPO。
AI 根据报道生成 · 3 小时前更新
最新进展10月2日 12:00
研究人员提出T2SPO方法，通过步级反馈提升智能体强化学习成功率。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv 机器学习T2SPO：面向智能体强化学习的轨迹到步骤策略优化方法
研究人员提出面向智能体强化学习的方法 T2SPO，利用历史成功轨迹为大语言模型策略学习提供步级反馈。该方法通过预训练 TabPFN 回归器估计各状态距成功的剩余距离以提供辅助信用分配，并在训练中动态刷新上下文而无需更新参数。在 ALFWorld 和 WebShop 上的 1.5B 与 7B 模型实验表明，T2SPO 的任务成功率持续优于 GRPO。
本事件热度走势
当前热度 9·可比范围峰值 10（10月2日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。